Почему не срабатывает регулярка?

Question

[maiskiykot]

Приветствую. Что-то сегодня день какой-то - понедельник, наверное. Пытаюсь разобрать строку, точнее набор строк типа:

<a href="/kontrolno-izmeritelnyie-priboryi" itemprop="item" title="Контрольно-измерительные приборы" class="breadcrumbs__item-link" data-v-71>

Создал для этого регулярку:

preg_match_all("!href=\"(.*)\".*title=\"(.*)\".*breadcrumbs__item-link!siU",$str,$matches))

Однако она собака не ловит ни Х. Если сокращаю левую часть до title, то title ловит отлично, а вот ссылку захватывать ни в какую не хочет. Что я тут делаю не так? Всем спасибо!

Answer 1

[Adamos]

Если ищешь что-то в кавычках, нужно использовать не \"(.*)\", а \"([^"]*)\"

Comments

[maiskiykot]

Ругается. На кавычку, наверное?

[Adamos]

maiskiykot, я на работе пью растворимый, гущи нет, гадать не на чем.

[AUser0]

maiskiykot, ну так новую двойную кавычку-то тоже нужно экранировать:
\"([^\"]+)\"

[Adamos]

AUser0, проще не использовать двойные кавычки для регулярки, обойтись одинарными. Сразу отпадет необходимость их экранировать.

[WbICHA]

Тогда уж \"(.*?)\"

[AUser0]

Adamos, а я привык для текста всегда использовать двойные кавычки, как раз из-за врождённого экранирования, и на всех языках.

Answer 2

[Дмитрий]

(href|title)="([^"]+)"
https://regex101.com/r/EpfgZV/1

Comments

[maiskiykot]

Мне надо и то и то захватить

[Дмитрий]

maiskiykot, дык он и title захватит и href - на ссылку то кликните

[WbICHA]

"([^"]+)"

Почему бы просто нежадный поиск не использовать?

[Дмитрий]

WbICHA, а зачем?

[WbICHA]

Дмитрий, красивее, короче, понятнее.

[Дмитрий]

WbICHA, ну честно говоря мне понятнее мой вариант - вырезаем все кроме. дело вкуса

Answer 3

[PavelMos]

.*?

href\=\"(.*?)\".*title=\"(.*)\".*breadcrumbs__item-link

https://regex101.com/r/wDkzxW/1

Answer 4

[dodo512]

Тут классика жанра "catastrophic backtracking" аж 4 раза используется .* и флаг /s.
Когда сокращаете левую часть до title убираете один .* и pcre.backtrack_limit вам хватает.
Нужно ограничить поиск с помощью [^"]* и [^>]* или убрать флаг /s.

preg_match_all('!href="([^"]*)"[^>]*title="([^"]*)"[^>]*breadcrumbs__item-link!siU',$str,$matches))

Answer 5

[Григорий Васильков]

пишите регулярки вот так

preg_match('~' . preg_quote($text, '/') . '~u');
// u - флажок для поддержки русского-арабского-китайского юникода

Не все регулярки нужно писать так, но это позволяет меньше переживать за спецсимволы.

Кроме того ваша задача предполагает парсинг html, лучше распакуйте simple_html_dom_1_9_1 и парсите им, он местами тащит то, что другие не тащат.

Comments

[dodo512]

По поводу preg_quote. Если делать так:
preg_match('~' . preg_quote($text, '/') . '~u');
И в $text окажется символ ~, то он не будет экранирован https://rextester.com/WNZRV35786
Вторым параметром нужно передавать именно тот символ, который используете как разделитель.
preg_match('~' . preg_quote($text, '~') . '~u');

[Григорий Васильков]

dodo512, совершенно точно.

Тильды использую потому, что шанс, что тильда в коде минимален. Но если это так, то можно сделать дважды preq_quote. На моей практике ни разу. А вот слеши - постоянно. Поэтому экранирую тильдами, а квочу - слешами.

[dodo512]

Но если это так, то можно сделать дважды preq_quote.

Григорий Васильков, повторный вызов preq_quote добавит кучу лишних обратных слэшей \.
После первого вызова preq_quote было, например, \*, а повторный вызов будет экранировать сам обратный слэш \\ и ещё раз символ *.
В итоге будет \\\* https://rextester.com/NPBBC3334
Так что повторное применение preq_quote может всё сломать.

[maiskiykot]

Григорий Васильков, Я предпочитаю парсеры на регулярках. Моя задача уместилась в 6 строчек кода.

[Григорий Васильков]

maiskiykot Согласен кстати, почему бы и нет.

Не всегда правда получается как нужно, когда у разраба проекта есть повторы или элементы без классов, но это В ЛЮБОМ случае дает экономию по памяти и процессору. Библиотеки парсят весь документ и потом по нем ходят. Я пока не видел человека, который сделал бы парсер на генераторах, который работает с последовательностями, удерживая в памяти лишь один элемент и возможно - его родитель.

Попытка Symfony\DomCrawler с вложенными колбеками - попытка хорошая. Но под капотом DomXPath который валится на большинстве тех же ошибок, что и парсинг самим XPath.

[Григорий Васильков]

dodo512, понял, действительно

Answer 6

[maiskiykot]

На самом деле нужно было выбросить siU